CN104875577B - 一种全工况双区温度校准方法及其汽车空调控制系统 - Google Patents

Abstract

本发明公开了一种全工况双区温度校准方法及其汽车空调控制系统，在校准车内温度传感器时对左右双区人体感官位置处的温度值建立BP神经网络模型，该方法包括：确定网络模型的输入信号；全工况采集网络模型的训练数据；对网络模型的输入输出进行归一化处理以及对其输出进行反归一化处理；利用Matlab工具箱对网络模型进行初始化和训练；由于采用了归一化处理网络模型的输入输出以及反归一化处理其输出，彻底摆脱了传统温度校准算法对于控制时间轴的依赖，在考虑对车内温度传感器的各种影响因素的基础上，提高了温度校准的准确性和抗干扰能力，为车内温度闭环控制系统提供了准确地反馈，有利于提高汽车空调控制系统对温度控制的稳定性和准确性。

Description

一种全工况双区温度校准方法及其汽车空调控制系统

技术领域

本发明涉及汽车空调控制系统及其双区温度控制方法领域，尤其涉及的是一种在16位单片机上利用BP神经网络建模实现汽车空调控制系统的车内温度传感器的全工况双区温度校准方法。

背景技术

汽车空调控制系统的车内温度参数是车内温度校准算法中最重要的参数之一，在实际应用过程中，传统汽车空调车内温度传感器的温度校准采用的是自动工况的校准方法，即空调控制器在自动模式下，根据时间的偏移采集车内左右双区人体感官位置处（例如驾驶员和副驾驶员的额头前方5厘米左右位置处）的温度值，利用该温度值与车内温度传感器温度值的差值来实现车内温度传感器的温度校准。

但是，传统的这种采用差值补偿的温度校准方法，对空调控制系统时间轴的依赖性较大，一旦时间轴受到非客观的干扰，例如在温度控制过程中打开车门或车窗时，就破坏了车内温度平衡，进而影响了车内温度传感器校准的准确性；而且，传统的温度校准方法是基于车内设定的温度进行的，无法实现精确的温度扫描控制，尤其是只能适用于单区温度控制，无法满足精确的双区温度控制的要求；此外，传统的温度校准方法的空调系统始终处于自动模式下运行，并不适用于手动模式，如改用手动调节内外循环、风速等时的情况，无法满足车内温度闭环控制反馈的要求。

因此，现有技术尚有待改进和发展。

发明内容

为解决上述技术问题，本发明提供一种基于BP神经网络建模的车内温度传感器全工况双区温度校准方法，可提高温度校准的准确性和抗干扰能力。

同时，本发明还提供一种基于BP神经网络建模的汽车空调控制系统，其所用温度校准方法可实现双区温度校准。

本发明的技术方案如下：一种全工况双区温度校准方法，用于汽车空调控制系统中，其中，在校准车内温度传感器时对左右双区人体感官位置处的温度值建立BP神经网络模型，该校准方法包括以下步骤：

A、确定所述BP神经网络模型的输入信号；

B、对所述BP神经网络模型的训练数据进行全工况采集；

C、对所述BP神经网络模型的输入输出进行归一化处理以及对其输出进行反归一化处理；

D、利用Matlab工具箱对所述BP神经网络模型进行初始化和训练。

所述的全工况双区温度校准方法，其中：所述步骤A中的输入信号包括车外温度、鼓风机转速PWM百分比、左右双区出风处的温度、左右双区阳光传感器读数、汽车行驶速度、内外循环空气比例、出风模式和需要补偿的车内温度传感器读数。

所述的全工况双区温度校准方法，其中：所述步骤B中的训练数据包括车外温扫描数据、左右双区设定温度扫描数据、风速扫描数据、出风模式扫描数据、内外循环风门比例扫描数据和阳光强度扫描数据。

所述的全工况双区温度校准方法，其中，在进行所述步骤C中的归一化处理时确定所述BP神经网络模型输入输出信号的最大最小值，包括：车外温度的[max，min] = [60℃，-40℃]，鼓风机转速PWM百分比的[max，min] = [100，0]，左右双区出风处温度的[max，min]= [80℃，0℃]，左右双区阳光传感器读数的[max，min] = [1500瓦特/平方米，0瓦特/平方米]，汽车行驶速度的[max，min] = [250公里/小时，0公里/小时]，内外循环空气比例的[max，min] = [100，0]，出风模式的[max，min] = [7，1]，车内温度传感器读数的[max，min]= [80℃，20℃]，车内人体感官位置处温度的[max，min] = [80℃，20℃]。

所述的全工况双区温度校准方法，其中：所述步骤D中对所述BP神经网络模型进行初始化的Matlab语句为net=newff(minmax(Pn),[7,2],{'tansig','purelin'})，其中Pn为输入矩阵，训练时采用L-M优化算法，其Matlab语句为net.trainFcn ='trainlm'。

所述的全工况双区温度校准方法，其中：所述BP神经网络模型为三层网络结构，隐含层节点数为7，在16位单片机上实现时包括以下步骤：

E、对激励函数tansig函数进行取点离散化；

F、将所述BP神经网络模型中的浮点数定点转换成整型，对其定点拟合成由整型数组成的表；

G、基于Matlab工具生成所述BP神经网络模型的代码。

所述的全工况双区温度校准方法，其中，所述步骤E包括：

E1、假设A，B为选取的拟合点，C为直线AB的中点，D为圆弧AB的中点，O为圆弧AB的圆心，圆弧ADB为需要拟合的曲线，拟合的误差为直线DC的长度，确立公式1：(式1)；

E2、确立公式2：（式2）；

E3、确立公式3：（式3）；

E4、确立公式4：（式4）；

E5、确立公式5：（式5）；

E6、确立公式6：（式6）；

E7、联立公式1至6，确立拟合误差公式7：（式7），其中为相邻的两个拟合点，以此对拟合点进行扫描选取。

所述的全工况双区温度校准方法，其中，所述步骤F包括：

F1、利用Matlab的"gensim(net)"命令将训练完成的神经网络net转换成siumlink框图；

F2、利用Matlab的"Fixed-point Tool"命令将所有的浮点数定点转换成整型数。

所述的全工况双区温度校准方法，其中，所述步骤G包括：利用Matlab的"CodeGeneration"命令进行代码生成，以所述BP神经网络NNET的输出Output作为车内人体温度感官位置处温度传感器的校准后温度。

一种汽车空调控制系统，包括设置在车内左右双区人体感官位置处的温度传感器，其中：在校准所述温度传感器的温度值时采用了上述中任一项所述的全工况双区温度校准方法。

本发明所提供的一种汽车空调控制系统及其双区温度控制方法，由于对网络模型的输入输出采用了归一化处理以及对网络模型的输出的反归一化处理，在考虑汽车空调控制系统对车内温度传感器的各种影响因素的基础上，彻底摆脱了传统温度校准算法对于控制时间轴的依赖，提高了温度校准的准确性和抗干扰能力，为车内温度闭环控制系统提供了准确地反馈，有利于提高汽车空调控制系统对温度控制的稳定性和准确性。

附图说明

图1是本发明全工况双区温度校准方法所用拟合误差分析图。

图2是本发明全工况双区温度校准方法对激励函数tansig函数进行离散拟合的效果图。

图3是本发明全工况双区温度校准方法所用的siumlink框图。

图4是本发明全工况双区温度校准方法校准后的温度值与车内温度传感器读数的比较图。

具体实施方式

以下将结合附图，对本发明的具体实施方式和实施例加以详细说明，所描述的具体实施例仅用以解释本发明，并非用于限定本发明的具体实施方式。

由于汽车空调控制系统车内温度传感器的校准与汽车空调系统的控制输出、车外环境工况等息息相关，因此可以在校准车内温度传感器时针对车内人体感官位置处的温度建立BP神经网络模型。

为此，本发明提供一种全工况双区温度校准方法，用于汽车空调控制系统中，在校准车内温度传感器时对左右双区人体感官位置处的温度值建立BP神经网络模型，该校准方法包括以下步骤：

步骤S100、确定所述BP神经网络模型的输入信号；神经网络的模型输入必须能够极大限度地囊括所有可能对模型输出（即车内人体感官位置温度）的干扰因素，根据汽车空调控制系统的实际情况，作为模型输入的信号可包括：车外温度、鼓风机转速PWM百分比（作为出风风速的评估量，若条件允许亦可直接用出风风速代替）、左右双区出风处温度（包括驾驶员和副驾驶员的脸部出风口的出风空气温度以及其脚部出风口的出风空气温度）、左右双区阳光传感器读数、汽车行驶速度、内外循环空气比例、出风模式以及需要补偿的车内温度传感器读数等；

步骤S200、对所述BP神经网络模型的训练数据进行全工况采集；为实现全工况双区的车内温度校准神经网络建模，训练数据也必须尽可能地涵盖所有工况，因此数据采集实验至少得考虑：车外温扫描数据、左右双区设定温度扫描数据、风速扫描数据、出风模式扫描数据、内外循环风门比例扫描数据和阳光强度扫描数据等工况；

步骤S300、对所述BP神经网络模型的输入输出进行归一化处理以及输出进行反归一化处理；为了实现归一化处理，必须先要根据实际情况确定模型各输入输出信号的最大最小值，具体包括：车外温度的[max，min] = [60℃，- 40℃]，鼓风机转速PWM百分比的[max，min] = [100，0]，左右双区出风处温度的[max，min] = [80℃，0℃]，左右双区阳光传感器读数的[max，min] = [1500瓦特/平方米，0瓦特/平方米]，汽车行驶速度的[max，min]= [250公里/小时，0公里/小时]，内外循环空气比例的[max，min] = [100，0]，出风模式的[max，min] = [7，1]，车内温度传感器读数的[max，min] = [80℃，20℃]，车内人体感官位置处温度的[max，min] = [80℃，20℃]；

确定模型各输入输出信号的最大值最小值后，再根据公式进行归一化处理，其中，Pn为归一化处理后的输入或输出，P为归一化处理前的输入或输出，PMin为P的最小值，PMax为P的最大值；以及根据公式进行输出的反归一化处理，其中，T为反归一化后的输出，TNET为神经网络模型的直接输出，TMax为T的最大值，TMin为T的最小值；

步骤S400、利用Matlab工具箱对所述BP神经网络模型进行初始化和训练；具体的，BP网络初始化的Matlab语句为：net=newff(minmax(Pn),[7,2],{'tansig','purelin'})，其中的Pn为输入矩阵；而网络训练可采用L-M优化算法，其Matlab语句为net.trainFcn ='trainlm' 。

在本发明全工况双区温度校准方法的优选实施方式中，所述BP神经网络模型可以为三层网络结构，隐含层节点数优选7，可采用16位单片机实现；而用单片机实现BP神经网络的最大问题在于如何将神经网络中浮点数定点转换成整型数，特别是激励函数tansig的定点问题，为此，BP神经网络在单片机的实现方法可包括以下步骤：

步骤S500、对激励函数tansig函数进行取点离散化；

步骤S600、将所述BP神经网络模型中的浮点数定点转换成整型，对其定点拟合成由整型数组成的表；

步骤S700、基于Matlab工具生成所述BP神经网络模型的代码。

在所述步骤S500中，如图1所示，图1是本发明全工况双区温度校准方法所用拟合误差分析图，假设A，B为选取的拟合点，C为直线AB的中点，D为圆弧AB的中点，O为圆弧AB的圆心，圆弧ADB为需要拟合的曲线，拟合的误差为直线DC的长度，确立公式1：(式1)；由相关的数学知识可知：

（式2）；

（式3）；

（式4）；

（式5）；

（式6）；

联立公式1至6，即可确立拟合误差公式7：（式7），其中为相邻的两个拟合点，以此对拟合点进行扫描选取，选取的拟合点具体为：

X = [-7 -4.8002 -3.2891 -2.6792 -2.2974 -2.0179 -1.7961-1.6109 -1.4507 -1.3084 -1.1792 -1.0598 -0.9477 -0.8407 -0.7371-0.6349 -0.5322 -0.4262 -0.3122 -0.1790 0.2296 0.3538 0.46420.5687 0.6709 0.7734 0.8780 0.9866 1.1010 1.2235 1.35691.5049 1.6730 1.8695 2.1085 2.4169 2.8565 3.6310 6.4870 7]；

Y = [ -1.0000 -0.9999 -0.9972 -0.9906 -0.9800 -0.9653 -0.9464 -0.9233 -0.8958 -0.8639 -0.8272 -0.7856 -0.7387 -0.6862-0.6274 -0.5614 -0.4871 -0.4021 -0.3024 -0.1771 0.2256 0.33970.4335 0.5144 0.5856 0.6489 0.7054 0.7559 0.8009 0.84070.8757 0.9060 0.9319 0.9535 0.9709 0.9842 0.9934 0.99861.0000 1.0000]。

结合图2所示，图2是本发明全工况双区温度校准方法对激励函数tansig函数进行离散拟合的效果图，其所用的拟合点均为上述选取的拟合点。

在所述步骤S600中，包括：利用Matlab的"gensim(net)"命令将训练完成的神经网络net转换成siumlink框图，结合图3所示，图3是本发明全工况双区温度校准方法所用的siumlink框图，以及利用Matlab的"Fixed-point Tool"命令将所有的浮点数定点转换成整型数。

在所述步骤S700中，利用Matlab的"Code Generation"命令进行代码生成，BP神经网络NNET的输出Output即可作为车内人体温度感官位置处温度传感器的校准后温度。

由此可见，本发明基于BP神经网络建模的车内温度校准方法尽可能地考虑到了汽车空调控制系统对车内温度传感器的各种影响因素，彻底摆脱了传统温度校准算法对于控制时间轴的依赖，提高了温度校准的准确性和抗干扰能力，为车内温度闭环控制系统提供了准确地反馈，有利于提高汽车空调控制系统对温度控制的稳定性和准确性。

结合图4所示，图4是本发明全工况双区温度校准方法校准后的温度值与车内温度传感器读数的比较图，其中：A为左区人体温度感官位置的热电偶读数，B为右区人体温度感官位置的热电偶读数，NET A为校准后的左区车内温度，NET B为校准后的右区车内温度，其标准差为0.7032℃，由此可见，本发明全工况双区温度校准方法可以实现双区温度校准，而这也是传统温度校准方法所不能实现的。

基于上述全工况双区温度校准方法，本发明还提供了一种基于BP神经网络建模的汽车空调控制系统，包括设置在车内左右双区人体感官位置处的温度传感器，其中：在校准所述温度传感器的温度值时采用了上述任一项实施例中所述的全工况双区温度校准方法。

应当理解的是，以上所述仅为本发明的较佳实施例而已，并不足以限制本发明的技术方案，对本领域普通技术人员来说，在本发明的精神和原则之内，可以根据上述说明加以增减、替换、变换或改进，而所有这些增减、替换、变换或改进后的技术方案，都应属于本发明所附权利要求的保护范围。

Claims (7)

1.一种全工况双区温度校准方法，用于汽车空调控制系统中，其特征在于，在校准车内温度传感器时对左右双区人体感官位置处的温度值建立BP神经网络模型，该校准方法包括以下步骤：

A、确定所述BP神经网络模型的输入信号，所述输入信号为对人体感官位置温度有影响的参数信号；

B、对所述BP神经网络模型的训练数据进行全工况采集，所述训练数据包括车外温扫描数据、左右双区设定温度扫描数据、风速扫描数据、出风模式扫描数据、内外循环风门比例扫描数据和阳光强度扫描数据；

C、对所述BP神经网络模型的输入输出进行归一化处理以及对其输出进行反归一化处理；

D、利用Matlab工具箱对所述BP神经网络模型进行初始化和训练，训练的算法为L-M优化算法；

所述BP神经网络模型为三层网络结构，隐含层节点数为7，在16位单片机上实现时包括以下步骤：

E、对激励函数tansig函数进行取点离散化；

F、将所述BP神经网络模型中的浮点数定点转换成整型，对其定点拟合成由整型数组成的表；

G、基于Matlab工具生成所述BP神经网络模型的代码；

所述步骤G包括：利用Matlab的"Code Generation"命令进行代码生成，以所述BP神经网络NNET的输出Output作为车内人体温度感官位置处温度传感器的校准后温度。

2.根据权利要求1所述的全工况双区温度校准方法，其特征在于：所述步骤A中的输入信号包括车外温度、鼓风机转速PWM百分比、左右双区出风处的温度、左右双区阳光传感器读数、汽车行驶速度、内外循环空气比例、出风模式和需要补偿的车内温度传感器读数。

3.根据权利要求1所述的全工况双区温度校准方法，其特征在于，在进行所述步骤C中的归一化处理时确定所述BP神经网络模型输入输出信号的最大最小值，包括：车外温度的[max，min] = [60℃，- 40℃]，鼓风机转速PWM百分比的[max，min] = [100，0]，左右双区出风处温度的[max，min] = [80℃，0℃]，左右双区阳光传感器读数的[max，min] = [1500瓦特/平方米，0瓦特/平方米]，汽车行驶速度的[max，min] = [250公里/小时，0公里/小时]，内外循环空气比例的[max，min] = [100，0]，出风模式的[max，min] = [7，1]，车内温度传感器读数的[max，min] = [80℃，20℃]，车内人体感官位置处温度的[max，min] = [80℃，20℃]。

4.根据权利要求1所述的全工况双区温度校准方法，其特征在于：所述步骤D中对所述BP神经网络模型进行初始化的Matlab语句为net=newff(minmax(Pn),[7,2],{'tansig','purelin'})，其中Pn为输入矩阵，训练时采用L-M优化算法，其Matlab语句为net.trainFcn='trainlm'。

5.根据权利要求1所述的全工况双区温度校准方法，其特征在于，所述步骤E包括：

E1、假设A，B为选取的拟合点，C为直线AB的中点，D为圆弧AB的中点，O为圆弧AB的圆心，圆弧ADB为需要拟合的曲线，拟合的误差为直线DC的长度，确立公式1：(式1)；

E2、确立公式2：（式2）；

E3、确立公式3：（式3）；

E4、确立公式4：（式4）；

E5、确立公式5：（式5）；

E6、确立公式6：（式6）；

E7、联立公式1至6，确立拟合误差公式7：（式7），其中为相邻的两个拟合点，以此对拟合点进行扫描选取。

6.根据权利要求1所述的全工况双区温度校准方法，其特征在于，所述步骤F包括：

F1、利用Matlab的"gensim(net)"命令将训练完成的神经网络net转换成siumlink框图；

F2、利用Matlab的"Fixed-point Tool"命令将所有的浮点数定点转换成整型数。

7.一种汽车空调控制系统，包括设置在车内左右双区人体感官位置处的温度传感器，其特征在于：在校准所述温度传感器的温度值时采用了权利要求1至6中任一项所述的全工况双区温度校准方法。